agent-signal

AgentSignal

AI ショッピングエージェントのための集合知レイヤーです。

接続するエージェントが増えるほど、ほかのすべてのエージェントが賢くなります。ショッピングセッションは1,200件以上、商品は95点、販売業者は50社、カテゴリは10種類にのぼり、今も増え続けています。

このプロジェクトが存在する理由： AI エージェントがユーザーに代わって買い物をするとき、各エージェントは毎回ゼロから始めます。AgentSignal はすべてのエージェントから得た意思決定シグナルを集約し、各セッションがほかのセッションの学習内容を活用できるようにします。そこには、選択率、却下の傾向、価格情報、販売業者の信頼性、実証済みの条件一致情報が含まれます。

クイックスタート（30秒）

リモート — インストール不要ですぐにインテリジェンスを利用：

{
  "mcpServers": {
    "agent-signal": {
      "url": "https://agent-signal-production.up.railway.app/mcp"
    }
  }
}

npx でローカル実行：

npx agent-signal

Claude Desktop / Claude Code：

{
  "mcpServers": {
    "agent-signal": {
      "command": "npx",
      "args": ["agent-signal"]
    }
  }
}

1回の呼び出しで、より賢いショッピングを開始

smart_shopping_session ツールは、セッションを記録し、利用可能なすべてのインテリジェンスを1回の呼び出しで返します。

smart_shopping_session({
  raw_query: "lightweight running shoes with good cushioning",
  category: "footwear/running",
  budget_max: 200,
  constraints: ["lightweight", "cushioned"]
})

返される内容：

• 以降の記録に使用するセッション ID
• 同じカテゴリにおける、ほかのエージェントのおすすめ商品
• 特に重要だった条件と要素
• 類似セッションの結果（購入または離脱）
• ネットワーク全体の統計

MCP ツール 23 種類

スマートコンボツール（推奨）

ツール	機能
smart_shopping_session	セッションを開始し、カテゴリのインテリジェンスと類似セッションの結果を1回の呼び出しで取得します
evaluate_and_compare	商品の評価を記録し、商品インテリジェンスとお買い得度の判定を1回の呼び出しで取得します

購入者向けインテリジェンス — より賢く買い物

ツール	わかること
get_product_intelligence	選択率、却下の理由、どの商品にどのような理由で競り負けたか
get_category_recommendations	おすすめ商品、意思決定の要因、よくある要件、平均予算
check_merchant_reliability	販売業者ごとの在庫精度、選択率、購入結果
get_similar_session_outcomes	条件が似たエージェントが最終的に選んだ商品
detect_deal	過去のデータに基づく価格判定 — 最安値から平均以上まで
get_warnings	在庫の問題、高い却下率、購入離脱の兆候
get_constraint_match	条件に完全一致する商品 — 検索を省略できます

販売者向けインテリジェンス — 市場を把握

ツール	わかること
get_competitive_landscape	カテゴリ内の順位、直接対決での勝率、どの商品にどのような理由で負けているか、価格の位置づけ
get_rejection_analysis	エージェントが商品を却下する理由、週ごとの傾向、代わりに選ばれた商品
get_category_demand	エージェントが探している商品、満たされていないニーズ、予算の分布、市場の空白
get_merchant_scorecard	販売業者の包括的なレポート — 在庫の信頼性、価格競争力、カテゴリ別の選択率

商品の発見とモニタリング

ツール	わかること
get_budget_products	指定予算内で最良の商品 — エージェントの選択数でランキングし、販売業者の在庫状況も表示
get_trending_products	人気が上昇または下降している商品 — 現在と前期間の選択率を比較
create_price_alert	価格アラートを設定 — エージェントが商品を目標価格以下で検出すると通知
check_price_alerts	最近のエージェントの活動によって通知条件を満たしたアラートを確認

書き込みツール — 貢献する

ツール	記録する内容
log_shopping_session	購入意向、制約、予算、除外条件
log_product_evaluation	検討した商品、一致スコア、判断と却下理由
log_comparison	比較した商品、比較項目、勝者、決め手
log_outcome	最終結果 — 購入、推薦、断念、または保留
import_completed_session	完了したセッションを遡って一括インポート
get_session_summary	セッションの詳細全体を取得

例：エージェントの完全なワークフロー

# 1. Start smart — one call gets you session ID + intelligence
smart_shopping_session(category: "electronics/headphones", constraints: ["noise-cancelling", "wireless"], budget_max: 400)

# 2. Evaluate products — get intel as you log
evaluate_and_compare(session_id: "...", product_id: "sony-wh1000xm5", price_at_time: 349, disposition: "selected")
evaluate_and_compare(session_id: "...", product_id: "bose-qc45", price_at_time: 279, disposition: "rejected", rejection_reason: "inferior ANC")

# 3. Compare and close
log_comparison(products_compared: ["sony-wh1000xm5", "bose-qc45"], winner: "sony-wh1000xm5", deciding_factor: "noise cancellation quality")
log_outcome(session_id: "...", outcome_type: "purchased", product_chosen_id: "sony-wh1000xm5")

すべてのステップがネットワークに反映されます。次にヘッドホンを探すエージェントは、あなたのデータを活用できます。

例：販売者インテリジェンスのワークフロー

# 1. How is my product performing vs competitors?
get_competitive_landscape(product_id: "sony-wh1000xm5")
# → Category rank #1, 68% head-to-head win rate, beats bose-qc45 on ANC quality

# 2. Why are agents rejecting my product?
get_rejection_analysis(product_id: "bose-qc45")
# → 45% rejected for "inferior ANC", agents chose sony-wh1000xm5 instead 3x more

# 3. What do agents want in my category?
get_category_demand(category: "electronics/headphones")
# → Top demands: noise-cancelling (89%), wireless (82%), unmet need: "spatial audio"

# 4. How does my store perform?
get_merchant_scorecard(merchant_id: "amazon")
# → 34% selection rate, 2% out-of-stock, cheapest option 41% of the time

インテリジェンスが活発なカテゴリー

カテゴリー	セッション数
footwear/running	150+
electronics/headphones	140+
gaming/accessories	130+
electronics/tablets	130+
home/furniture/desks	120+
fitness/wearables	118+
electronics/phones	115+
home/smart-home	107+
kitchen/appliances	105+
electronics/laptops	98+

エージェントフレームワークの例

すぐに実行できる例は/examplesにあります。

フレームワーク	ファイル	説明
LangChain	langchain-shopping-agent.py	LangGraph と MCP アダプターを使う ReAct エージェント
CrewAI	crewai-shopping-crew.py	2 エージェントのチーム（リサーチ担当＋買い物担当）
AutoGen	autogen-shopping-agent.py	MCP ツールを使う AutoGen エージェント
OpenAI Agents	openai-agents-shopping.py	Streamable HTTP を使う OpenAI Agents SDK
Claude	claude-system-prompt.md	Claude Desktop/Code 向けに最適化されたシステムプロンプト

すべての例はホストされた MCP エンドポイントに接続するため、pip install 以外のセットアップは不要です。

REST API

https://agent-signal-production.up.railway.app/api にある販売者向け分析機能：

エンドポイント	説明
GET /api/products/:id/insights	商品分析 — 検討率、却下理由
GET /api/categories/:category/trends	カテゴリーの傾向 — 主な要因、予算、属性
GET /api/competitive/lost-to?product_id=X	競合による敗北 — X が何に、なぜ負けるか
GET /api/sessions	最近のセッション（ページネーション対応）
GET /api/sessions/:id	セッションの詳細全体
POST /api/admin/aggregate	インサイトの計算を実行
GET /api/health	ヘルスチェック

セルフホスティング

git clone https://github.com/dan24ou-cpu/agent-signal.git
cd agent-signal
npm install
cp .env.example .env  # set DATABASE_URL to your PostgreSQL
npm run migrate
npm run seed           # optional: sample data
npm run dev            # starts API + MCP server on port 3100

アーキテクチャ

• MCP サーバー — Stdio トランスポート（ローカル）＋ Streamable HTTP（リモート）
• REST API — 同じポート上の Express
• データベース — PostgreSQL（Neon 互換）
• 23 個の MCP ツール — 読み取り 17 個（購入者＋販売者＋ディスカバリー）＋書き込み 6 個

ライセンス

MIT